CN101741085A - 一种短期风电功率预报方法 - Google Patents

Abstract

本发明公开了一种短期风电功率预报方法，该风电功率预报方法包括以下步骤：(1)采集全球大尺度气象预报场数据；(2)建立RAMS模型；所述RAMS模式利用如下方程组进行风速、温度、气压等预报场的计算；(3)将步骤(1)采集的大尺度气象预报场数据输入步骤(2)中的RAMS模型获得风电场范围内的风向风速预报数据；(4)通过风电场范围内的风速、风向和气压的历史预报数据结合同期风电场的功率记录数据利用BP神经网络建立风电功率统计模型；(5)将所述预报日期的风向风速数据作为原始参数输入风电功率统计模型后计算得到预报日的风电功率预报结果。由于本发明采用90米分辨地形资料可以对平坦地形、丘陵地形、复杂地形等区域利用不同分辨率进行计算，预报方案灵活、限制条件较少。

Description

一种短期风电功率预报方法

技术领域：

本发明涉及风力发电系统领域，尤其涉及风电功率预报方法，具体地说是利用高分辨率数值模式结合风电功率统计模型进行风电场风电功率预报的方法。

背景技术：

近年来，能源危机和环境问题的不断加剧，引起了国际社会和公众的高度关注，为了克服能源供需矛盾的制约，促进经济的可持续发展，改善人居环境，大力发展包括风能在内的可再生能源已成为各国政府和科技界广泛关注的焦点。在这种形势下，中国的风力发电事业呈现了良好的发展势头，大型并网风力发电发展迅速，到2008年底，已在24个省、市、区(不包括台湾省)建有风电场，总装机容量超过1200万千瓦。

随着风力发电的迅速发展，其弊端也逐渐凸显。风力发电是将空气动能转换为电能，其特性会直接受到风特性的影响。风的随机波动性和间歇性决定了风力发电的功率也是波动和间歇性的。当风电场的容量较小时，风电对电网系统的影响并不明显。随着风电场容量在系统中所占比例的增加，风电对电网系统的影响就会越来越明显，如电网调度困难、发电计划制定困难等。大风速扰动会使系统的电压和频率产生很大的变化，严重时将可能使系统失去稳定。另外，风电机组的运行受制于系统的运行条件，当系统的运行条件比较恶劣，如电压水平比较低时，风电机组很容易在系统扰动或风速扰动条件下停机，风电作为电源突然消失，也可能使系统失去稳定。有关学者申洪、陈树勇、雷亚洲、戴慧珠等在文献1.“基于电力系统站台稳定分析的风电场穿透功率计先计算.”(电网技术，2002，26(8)：8-11.)、2.“风电场的发电可靠性模型及其应用.”(中国电机工程学报，2000，20(3)：26-29.)、3.“含风电场电力系统的有功优化潮流.”(电网技术，2002，26)中指出：在一般情况下，当风电穿透功率(即风电功率占系统总发电功率的比例)不超过8％时，我国电网不会出现较大问题。但是当风电穿透功率超过一定值之后，有可能对电能质量和电力系统的运行产生影响并且可能危及常规发电方式。特别是在我国风能资源丰富区，电网结构比较薄弱，风电穿透功率远远低于8％，风电的波动性和间歇性严重的制约了风电的发展。

风电发达国家经过长期的研究和探索发现：建设预报较为准确、功能较为完善的风电功率预报系统是解决风电大规模并网运行的关键措施之一。Erik L.、Frank、Bailey等学者在文献1.“Wind Power Meteorology.Part II：Siting and Models.”(Wind Energy.1998，1：55-72.)2.“Modelling the Wind Climate of Ireland.”(Boundary-LayerMeteorology，1997，85：359-378.)3.“Short-Term Wind Forecasting.”(Proceedingsof the European Wind Energy Conference，Nice，Frace，1-5 March 1999，pp.1062-1065，ISBN1 902916 X.)中指出采用数值预报模式和风电功率统计预报模型相结合的集成系统进行预报，是风电场风电功率短期预报的有效方法。其主体思想是利用数值天预报提供风机轮毂高度的风速、风向等预报信息，然后利用风速与风向的预报资料和同期的风电场风电功率记录资料建立风电功率预报统计模型进行风电功率预报。

国外风电功率预报研究工作起步较早，比较有代表性的方法主要有：丹麦

国家实验室的Prediktor预报系统、西班牙的LocalPred预报系统和德国的AWPT预报系统等。Prediktor预报系统首先利用数值天气预报模式HIRLAM提供风电场所在区域的风速分布，然后利用WA^sP进一步综合考虑风电场附近障碍物、粗糙度变化等因素提供分辨率更高的风速预报，最后由发电量计算模块

Park在预报的风速基础上计算风电场风电功率。LocalPred预报系统首先利用高分辨率的中尺度模式MM5或NWP模式结合流体力学软件计算风速等气象预报场，再通过统计模块(MOS)对预报风速进行订正，最后通过历史出力数据与同期风速等气象场建立的功率输出模型进行功率预报。Previento预报系统在利用数值模式预报风机轮毂所在高度风速的基础上，结合风电场周围地形、地表粗糙度及热力层结的影响对风速进行订正，最后通过功率预报模块进行功率预报。

中国的风电功率预报尚处于探索和研究阶段，目前并没有完整意义上的风电功率预报系统。国家相继启动的甘肃酒泉、新疆哈密等7个千万千瓦级风电基地的规划和建设将大大提高风电在我国发电装机中的比重，其伴随的电网调度困难、发电计划制定困难等问题越来越突出，许多风电场处于拉闸限电状态。

发明内容：

本发明的目的在于建立一套风电功率的预报系统，它能够有效预报风电场48小时内的风电出力，为电网调度和发电计划制定提供合理的数据支持。该系统利用高分辨率数值模式RAMS(The Regional Atmospheric Modeling System，version 6.0)提供风电场范围内的风速、风向、气压等气象场的三维空间分布状况，然后通过风电功率统计预报模块进行风电功率预报。本系统风速预报分辨率高、能很好的刻画地形的变化，能够适应我国季风型的气候特点。

为了达到上述目的，本发明采用以下技术方案予以实现：一种短期风电功率预报系统，包括刀片服务器，数值模式RAMS，风电功率统计预报模块，风电功率显示界面以及大尺度NCEP预报场数据下载模块。其特征在于，可以自动实现气象预报场数据下载、气象预报场计算及风电功率预报计算。

一种风电功率预报方法，该风电功率预报方法包括以下步骤：

(1)采集全球大尺度气象预报场数据；

(2)建立RAMS模型；所述RAMS模式利用如下方程组进行风速、温度、气压等预报场的计算，

动力学方程：

$\frac{\∂u}{\∂t}=-u\frac{\∂u}{\∂x}-v\frac{\∂u}{\∂y}-w\frac{\∂u}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fv}+\frac{\∂}{\∂x}\left(K_m\frac{\∂u}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂u}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂u}{\∂z}\right)$

$\frac{\∂v}{\∂t}=-u\frac{\∂v}{\∂x}-v\frac{\∂v}{\∂y}-w\frac{\∂v}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fu}+\frac{\∂}{\∂x}\left(K_m\frac{\∂v}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂v}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂v}{\∂z}\right)$

$\frac{\∂w}{\∂t}=-u\frac{\∂w}{\∂x}-v\frac{\∂w}{\∂y}-w\frac{\∂w}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂z}-\frac{g{\mathrm{\θ}}_v^{\′}}{\∂z}+\frac{\∂}{\∂x}\left(K_m\frac{\∂w}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂w}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂w}{\∂z}\right)$

热力学方程

$\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂t}=-u\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂x}-v\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂y}-w\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂z}+{\left(\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂t}\right)}_{\mathrm{rad}}+\frac{\∂}{\∂x}\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂z}\right)$

水汽混合比连续方程

$\frac{{\∂r}_n}{\∂t}=-u\frac{{\∂r}_n}{\∂x}-v\frac{{\∂r}_n}{\∂y}-w\frac{{\∂r}_n}{\∂z}+\frac{\∂}{\∂x}\left(K_h\frac{{\∂r}_n}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{{\∂r}_n}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_h\frac{{\∂r}_n}{\∂z}\right)$

质量连续方程

$\frac{{\∂\mathrm{\θ}}^{\′}}{\∂t}=-\frac{{\mathrm{R\π}}_0}{c_v{\mathrm{\ρ}}_0{\mathrm{\θ}}_0}(\frac{{\∂\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}u}{\∂x}+\frac{{\∂\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}v}{\∂y}+\frac{\∂{\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}w}{\∂z})$

其中f是科氏力参数，ρ是空气密度，g为重力加速度，R为气体常数，c_v为大气定容比热，K_m是动量涡动粘性系数，K_h是热量和水汽涡动粘性系数，θ是位温，θ_il为冰-水位温，θ_v为虚位温，π为Exner函数，π′为其扰动量，r_n是大气中总水量、雨、冰晶、聚合物和雪的水汽混合比，r_t为总水量混合比，r_v为水汽混合比，脚标“rad”代表辐射参数化倾向，“0”表示大气基本状态；

(3)将步骤(1)采集的大尺度气象预报场数据输入步骤(2)中的RAMS模型获得风电场范围内的风向风速预报数据；

(4)通过风电场范围内的风速、风向和气压的历史预报数据结合同期风电场的功率记录数据利用BP神经网络建立风电功率统计模型；

(5)将所述预报日期的风向风速数据作为原始参数输入风电功率统计模型后计算得到预报日的风电功率预报结果。

所述步骤(4)中风电功率统计模型通过以下步骤建立：

(a)选择BP网络采用双曲型函数作为其激发函数，描述为：

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}};$

(b)设W(k)为BP网络各层节点之间的连接权值，ΔW(k)为网络权值的修正值，其中k表示训练次数，则权值的修正公式如下：

W(k+1)＝W(k)+ΔW(k)

；

(c)设有N组训练样本，且第i组训练样本的目标值和网络实际输出值分别为T_i和Y_i(k)，训练误差函数和权重修正函数如下：

$E_{\mathrm{Train}}\left(k\right)=\frac{1}{N}\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{(T_i-Y_i\left(k\right))}^2$

$\mathrm{\ΔW}\left(k\right)=-\mathrm{\μ}\frac{{\∂E}_{\mathrm{Train}}}{\∂W\left(k\right)};$

上式中，ΔW(k)表示第k次训练神经网络权值的修正值，μ表示学习速率；

(d)另设有M组检测样本，且第j组训练样本的目标值和网络实际输出值分别为T_j和Yj(k)，则检测误差函数为：

$E_{\mathrm{Test}}\left(k\right)=\frac{1}{M}\underset{j-1}{\overset{M}{\mathrm{\Σ}}}{(T_j-Y_j\left(k\right))}^2.$

本发明进一步改进在于：采用SRTM3 90米分辨率地形资料，可以更好的刻画下垫面地形的变化及其对风速的影响，实现分辨率更高的数值计算。

本发明更进一步改进在于：可以实现利用多种预报场进行计算，如T213和NCEP预报场，可以实现利用多种不同水面温度资料进行计算，可以选择适合不同地区的下垫面及预报场资料。

由于本发明采用90米分辨地形资料可以对平坦地形、丘陵地形、复杂地形等区域利用不同分辨率进行计算，预报方案灵活、限制条件较少。

附图说明：

图1为风电功率预报系统示意图。

图2为应用本系统的一些实施例的预报效果图。

其中：图2(a)为2009年1月24日某测风塔70米高度观测风速与预报风速的对比图；

图2(b)为2009年2月17日某测风塔70米高度观测风速与预报风速的对比图对应图；

图(3)为BP神经网络示意图

图(4为2008年12月26日某台风机的记录风电功率与预报风电功率对比图；

具体实施方式：

下面结合附图和具体实施例对本系统作进一步的详细说明。

参照图1，风电功率预报系统，包括气象与下垫面资料模块、RAMS模式计算模块、风电功率统计模块、用户显示界面。测风塔数据、气象站数据、大尺度预报场数据经过前处理过程转化为RAMS所需要的数据格式，为RAMS模式的计算提供初始气象场信息；地形、植被、海温资料为RAMS模式提供下垫面信息；利用神经元网络方法对同期的风电功率数据与RAMS模式计算得出的风速、风向、气压、温度等气象预报场进行统计建模，得到风电功率统计模型；利用风电功率统计模型将RAMS模式预报风速转化为风电功率预报结果，最后将结果显示到用户终端。

参照图2，进行气象预报计算的RAMS模式要处于并行高性能计算机环境下，此计算机环境包括12个计算节点，每个节点含有4个CPU，每个CPU有两个核，计算节点之间可以实现互相通信、文件共享以及并行运算，并配有一定的数据存储空间。

图3为RAMS模式计算流程图，主要包括三个部分：(1)准备气象数据，为模式计算准备所需预报日期的气象场数据；(2)制定模式框架，根据风电场位置和面积确定模式的中心点、嵌套层数，每层嵌套所包围的面积等；(3)RAMS模式利用上述信息进行气象预报场的计算。

下面结合某风电场的预报实例进行详细说明，该风电场面积约为30平方公里，预报日期为2009年1月24日。

(1)准备气象数据

RAMS模式需要气象场资料作为其初始条件和侧边界条件，为模式提供初始气象场信息及边界信息，RAMS模式利用此初始值及边界条件通过Nudging方法约束模式本身的计算结果。

气象场资料采用NCEP格点资料，水平分辨率为1°×1°，垂直方向包括1000hPa、975hPa、950hPa、925hPa、850hPa、800hPa、750hPa、700hPa、650hPa、600hPa、550hPa、500hPa、450hPa、400hPa、350hPa 300hPa、250hPa、200hPa、150hPa、100hPa、70hPa，50hPa，30hPa，10hPa，24个气压层。通过模式的前处理过程fdgrib，提取NCEP数据中各点的风速、温度、压强、湿度、位势高度5个变量并转化为模式所需的格式，生成文件名为“dp-p2009-01-24-hh00”，其中hh为时间00、03、06等。探空气象数据和地面气象观测数据的作用是对NCEP数据进行适当修正和补充并按RAMS所需格式整理成名为“dp-r2009-01-24-hh00”，“dp-s2009-01-24-hh00”的探空数据和地面观测数据，其中的hh按各自的观测时间间隔变化。

此外，需要准备风电场所在范围内的地形、相应月份的NDVI植被资料，以及水面温度资料。

(2)制定模式框架

该风电场面积为30平方公里，最内层嵌套区域面积应大于30平方公里，以将风电场全部包括在内。根据模式计算稳定需要以及模式运算时间限制，确定最内层水平分辨率为1km，水平方向格点数为14×14。因为NCEP预报场分辨率为110km，需要经过动力降尺度将110km分辨率数据降低为最内层1km分辨率数据，因此采用3重嵌套区域，最外层分辨率16km，次外层4km、最内层1km。

风电场风速预报主要关心风机高度范围内40-120内的风速，因此在垂直方向靠近地面分辨率要足够大，而在高空分辨率可以适当变小。本系统将地面以上第一层设定为20米，可以充分反映地形对风速的影响，各层之间距离按1.1的比例向上增加，两层之间的最大距离为1120米，垂直方向一共包含42层。

(3)RAMS模式计算

RAMS模式利用如下方程组进行风速、温度、气压等预报场的计算。

动力学方程：

$\frac{\∂u}{\∂t}=-u\frac{\∂u}{\∂x}-v\frac{\∂u}{\∂y}-w\frac{\∂u}{\∂z}-\mathrm{\θ}\frac{{\∂\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fv}+\frac{\∂}{\∂x}\left(K_m\frac{\∂u}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂u}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂u}{\∂z}\right)$

$\frac{\∂v}{\∂t}=-u\frac{\∂v}{\∂x}-v\frac{\∂v}{\∂y}-w\frac{\∂v}{\∂z}-\mathrm{\θ}\frac{{\∂\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fu}+\frac{\∂}{\∂x}\left(K_m\frac{\∂v}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂v}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂v}{\∂z}\right)$

$\frac{\∂w}{\∂t}=-u\frac{\∂w}{\∂x}-v\frac{\∂w}{\∂y}-w\frac{\∂w}{\∂z}-\mathrm{\θ}\frac{{\∂\mathrm{\π}}^{\′}}{\∂z}-\frac{g{\mathrm{\θ}}_v^{\′}}{\∂z}+\frac{\∂}{\∂x}\left(K_m\frac{\∂w}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂w}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂w}{\∂z}\right)$

热力学方程

$\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂t}=-u\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂x}-v\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂y}-w\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂z}+{\left(\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂t}\right)}_{\mathrm{rad}}+\frac{\∂}{\∂x}\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂y}\right)+\frac{\∂}{\∂z}+\left(K_h\frac{{\∂\mathrm{\θ}}_{\mathrm{il}}}{\∂z}\right)$

水汽混合比连续方程

$\frac{{\∂r}_n}{\∂t}=-u\frac{{\∂r}_n}{\∂x}-v\frac{{\∂r}_n}{\∂y}-w\frac{{\∂r}_n}{\∂z}+\frac{\∂}{\∂x}\left(K_h\frac{{\∂r}_n}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{{\∂r}_n}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_h\frac{{\∂r}_n}{\∂z}\right)$

质量连续方程

$\frac{{\∂\mathrm{\θ}}^{\′}}{\∂t}=-\frac{{\mathrm{R\π}}_0}{c_v{\mathrm{\ρ}}_0{\mathrm{\θ}}_0}(\frac{{\∂\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}u}{\∂x}+\frac{{\∂\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}v}{\∂y}+\frac{\∂{\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}w}{\∂z})$

其中f是科氏力参数，ρ是空气密度，g为重力加速度，R为气体常数，c_v为大气定容比热，K_m是动量涡动粘性系数，K_h是热量和水汽涡动粘性系数，θ是位温，θ_il为冰-水位温，θ_v为虚位温，π为Exner函数，π′为其扰动量，r_n是大气中总水量、雨、冰晶、聚合物和雪的水汽混合比，r_t为总水量混合比，r_v为水汽混合比，脚标“rad”代表辐射参数化倾向，“0”表示大气基本状态。

经过计算生成形为：a-A-2000-01-24-hhmm00-g3.h5，的数据文件，其中hh为相应的小时，mm为相应的分钟，其变化规律按模式输出时间分辨率而变化。最后利用RAMS模式的后处理模块REVU，选择需要输出变量的经纬度位置及高度。如图4(a)和图4(b)所示分别为2009年1月24日与2009年2月17日某测风塔70米高度观测风速与预报风速的对比图。

(4)风电功率计算

利用BP神经网络将历史风电功率资料与同期的气象预报场数据进行建模。参照图(5)，BP(Back Propagation)神经网络，是一种多层前馈网络，网络含有输入层、输出层和处于两层之间的隐含层，隐含层可以是单层或多层，隐含层上的节点称为隐节点。

该图是一个典型的3层BP网络，有一层隐含层，BP网络的训练过程分为两个阶段：正向传播阶段和反向传播阶段。正向传播是把学习样本的输入值循环置入BP网络的输入端(在本例中为风速、风向、温度、等气象场资料)，由前往后，依次计算网络的隐节点和输出节点的值，如果在输出层没有得到期望的输出结果(风电功率记录值)，根据网络的输出值与期望输出值之间的误差，开始反向计算，即由后往前，这是误差信号沿着原来的链接从输出层返回至输入层，按照训练的目标函数，依次调整网络各层节点之间的连接权值，直到目标函数接近极小值为止。

在本研究中，BP网络采用双曲型函数作为其激发函数，描述为：

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

设W(k)为BP网络各层节点之间的连接权值，ΔW(k)为网络权值的修正值，其中k表示训练次数，则权值的修正公式如下：

W(k+1)＝W(k)+ΔW(k)

设有N组训练样本，且第i组训练样本的目标值和网络实际输出值分别为T_i和Y_i(k)，训练误差函数和权重修正函数如下：

$E_{\mathrm{Train}}\left(k\right)=\frac{1}{N}\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{(T_i-Y_i\left(k\right))}^2$

$\mathrm{\ΔW}\left(k\right)=-\mathrm{\μ}\frac{{\∂E}_{\mathrm{Train}}}{\∂W\left(\text{k}\right)}$

上式中，ΔW(k)表示第k次训练神经网络权值的修正值，μ表示学习速率。

另设有M组检测样本，且第j组训练样本的目标值和网络实际输出值分别为T_j和Yj(k)，则检测误差函数为：

$E_{\mathrm{Test}}\left(k\right)\frac{1}{M}\underset{j-1}{\overset{M}{\mathrm{\Σ}}}{(T_j-Y_j\left(k\right))}^2$

Robert Hecht Nielsen在文献“Theory of the backpropagation neuralnetwork.“(International joint conference on neural networks，1989，1：593-605.)中指出：只有一个隐层的神经网络，只要节点足够多，就可以以任意精度逼近一个非线性的函数。因此，在该方法中隐层的数目设定为一层。又根据经验，隐节点数一般选在输入节点数的1-2倍之间时，能达到较好的效果。因此，在一个隐层、隐节点数为输入节点数的1-2倍之间进行建模训练，得到可执行程序：bp_train.exe.

由于风速预报的间隔为一小时，预报时效为48小时，风速预报的误差随着时间推移逐渐增大，所以采用对每个小时分别建模的方法，对模式预报的风速进行订正，一共建立48个模型。

在进行风电功率预报时将首先将历史的风速等气象预报结果及风电功率观测结果整理成名为：result01.dat……result48.dat的48个文件，格式如下：

81    5

20080103    6.54      4.40    -3.65   875.18    9.28     25.05

……        ……      ……    ……    ……      ……     ……

20081029    260.89    3.40    12.55   871.30    354.58   16.27

其中第一行81代表历史记录的这一时刻共有81天，5代表采用5个因子，本例中为风速、温度、气压、风向、湿度。如上面数据的3-7列，每一行后的第一列为日期。第二列为每天该时刻的风电功率。

当日每个时刻的气象预报场整理为名称为：

1result01.dat……1result48.dat的48个文件，格式如下：

1    5

20090124    1000.20    2.33  18.26  867.92  201.00  17.00

其中1代表天数，5代表预报因子个数，本例中为风速、温度、气压、风向、湿度：2.33 18.26 867.92 201.00 17.00。20090124代表预报日期1000.20为任意一假设电量结果，其作用相当于占位符。利用前面建模生成的可执行程序bp_train.exe进行当日风电功率计算。

将数据路径排列成如下格式，放到名为fengdian.bat的文件中，格式如下：E:\bp_train.exe    E:\result11.dat    E:\result11.ann    E:\t11.outE:\1result11.dat  E:\1t11.out

……………………………………………………………………………………………………………….

……………………………………………………………………………………………………………………….E:\bp_train.exe    E:\result48.dat    E:\result48.ann    E:\t48.outE:\1result48.dat  E:\1t48.out

执行时，直接双击即可，得到每日每个时刻的风电功率预报结果，存放在1t-11.out………1t48.out中。图(6)为2008年12月26某台风机的记录风电功率与预报风电功率对比图，预报结果很好的吻合了记录结果。

(5)界面显示

参照图(7)，西北电网风电功率预报系统可以针对不同风电场，对当日和历史数据进行查询，可以实现风电功率的动态变化显示及一天的发电总量计算。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (2)

1.一种短期风电功率预报方法，其特征在于，该风电功率预报方法包括以下步骤：

(1)采集全球大尺度气象预报场数据；

(2)建立RAMS模型；所述RAMS模式利用如下方程组进行风速、温度、气压等预报场的计算，

动力学方程：

$\frac{\∂u}{\∂t}=-u\frac{\∂u}{\∂x}-v\frac{\∂u}{\∂y}-w\frac{\∂u}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fv}+\frac{\∂}{\∂x}\left(K_m\frac{\∂u}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂u}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂u}{\∂z}\right)$

$\frac{\∂v}{\∂t}=-u\frac{\∂v}{\∂x}-v\frac{\∂v}{\∂y}-w\frac{\∂v}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂x}+\mathrm{fu}+\frac{\∂}{\∂x}\left(K_m\frac{\∂v}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂v}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂v}{\∂z}\right)$

$\frac{\∂w}{\∂t}=-u\frac{\∂w}{\∂x}-v\frac{\∂w}{\∂y}-w\frac{\∂w}{\∂z}-\mathrm{\θ}\frac{\∂{\mathrm{\π}}^{\′}}{\∂z}-\frac{g{\mathrm{\θ}}_v^{\′}}{\∂z}+\frac{\∂}{\∂x}\left(K_m\frac{\∂w}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_m\frac{\∂w}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_m\frac{\∂w}{\∂z}\right)$

热力学方程

$\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂t}=-u\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂x}-v\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂y}-w\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂z}+{\left(\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂t}\right)}_{\mathrm{rad}}+\frac{\∂}{\∂x}\left(K_h\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_h\frac{\∂{\mathrm{\θ}}_{\mathrm{il}}}{\∂z}\right)$

水汽混合比连续方程

$\frac{\∂r_n}{\∂t}=-u\frac{\∂r_n}{\∂x}-v\frac{\∂r_n}{\∂y}-w\frac{\∂r_n}{\∂z}+\frac{\∂}{\∂x}\left(K_h\frac{\∂r_n}{\∂x}\right)+\frac{\∂}{\∂y}\left(K_h\frac{\∂r_n}{\∂y}\right)+\frac{\∂}{\∂z}\left(K_h\frac{\∂r_n}{\∂z}\right)$

质量连续方程

$\frac{\∂{\mathrm{\θ}}^{\′}}{\∂t}=-\frac{R{\mathrm{\π}}_0}{c_v{\mathrm{\ρ}}_0{\mathrm{\θ}}_0}(\frac{\∂{\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}u}{\∂x}+\frac{\∂{\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}v}{\∂y}+\frac{\∂{\mathrm{\ρ}}_0{\mathrm{\θ}}_{0}w}{\∂z})$

其中f是科氏力参数，ρ是空气密度，g为重力加速度，R为气体常数，c_v为大气定容比热，K_m是动量涡动粘性系数，K_h是热量和水汽涡动粘性系数，θ是位温，θ_il为冰-水位温，θ_v为虚位温，π为Exner函数，π′为其扰动量，r_n是大气中总水量、雨、冰晶、聚合物和雪的水汽混合比，r_t为总水量混合比，r_v为水汽混合比，脚标“rad”代表辐射参数化倾向，“0”表示大气基本状态；

(3)将步骤(1)采集的大尺度气象预报场数据输入步骤(2)中的RAMS模型获得风电场范围内的风向风速预报数据；

(4)通过风电场范围内的风速、风向和气压的历史预报数据结合同期风电场的功率记录数据利用BP神经网络建立风电功率统计模型；

(5)将所述预报日期的风向风速数据作为原始参数输入风电功率统计模型后计算得到预报日的风电功率预报结果。

2.如权利要求1所述一种短期风电功率预报方法，其特征在于，所述步骤(4)中风电功率统计模型通过以下步骤建立：

(a)选择BP网络采用双曲型函数作为其激发函数，描述为：

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

；

(b)设W(k)为BP网络各层节点之间的连接权值，ΔW(k)为网络权值的修正值，其中k表示训练次数，则权值的修正公式如下：

W(k+1)＝W(k)+ΔW(k)

；

(c)设有N组训练样本，且第i组训练样本的目标值和网络实际输出值分别为T_i和Y_i(k)，训练误差函数和权重修正函数如下：

$E_{\mathrm{Train}}\left(k\right)=\frac{1}{N}\underset{i-1}{\overset{N}{\mathrm{\Σ}}}{(T_i-Y_i\left(k\right))}^2$

$\mathrm{\ΔW}\left(k\right)=-\mathrm{\μ}\frac{\∂E_{\mathrm{Train}}}{\∂W\left(k\right)}$ ；

上式中，ΔW(k)表示第k次训练神经网络权值的修正值，μ表示学习速率；

(d)另设有M组检测样本，且第j组训练样本的目标值和网络实际输出值分别为T_j和Yj(k)，则检测误差函数为：

$E_{\mathrm{Test}}\left(k\right)=\frac{1}{M}\underset{j-1}{\overset{M}{\mathrm{\Σ}}}{(T_j-Y_j\left(k\right))}^2.$

Images